准确预测河流水质变化是流域水环境管理的重要基础。目前常用的深度学习模型依赖大量的监测数据训练，然而很多河流数据缺乏，无法满足水质预测精度要求。本研究提出了一种基于深度迁移模型的水质预测框架，利用自动监测站的水质数据集构建深度学习模型库，通过迁移学习条件自动选择，提升模型的预测能力。结果表明：(1)与目标域模型相比，深度迁移模型预测误差降低了1.9%-10.6%；(2)采用不同源域和迁移方式训练出的模型预测精度有很大的差异；(3)选择迁移条件后，迁移模型的预测误差降低了9.6%-28.9%。本文提出的建模方法可直接应用于实测数据少的河流水质预测，为流域水环境精细化管理提供技术支持。

水质预测,深度学习,迁移学习